通过频域量化和客户端网络感知方案选择实现通信高效的联邦学习

联邦学习（FL）实现了在不移动原始数据的情况下进行协作模型训练，但受到沉重且不均匀的网络流量限制，特别是在许多边缘设备共享更新时。在本研究中，我们提出了两种新型量化方案：频率条件量化（FCQ）和线性频率投影（LFP），这些都是针对FL系统量身定制的基于频域的压缩方法。在每个训练回合中，每个客户端根据其当前带宽和流量条件使用最合适的方案对其模型权重进行量化。我们通过对FEMNIST和CIFAR-10及CIFAR-100图像分类任务进行广泛实验验证了所提出的自适应压缩框架。在各种方法中，所提出的自适应算法在准确性上接近未压缩基线（FEMNIST: 0.938 vs. 0.943; CIFAR-10: 0.811 vs. 0.814），同时相对于高准确性基线减少了延迟（自适应：0.13秒 vs. FP8: 0.35秒）。在三个带宽环境下的压力测试（平衡、主要缓慢、主要快速）表明，准确性分别为94.43%、92.54%和93.22%，总持续时间的变化适度。结果支持结合客户端感知方案选择的频域量化作为在带宽受限的联邦网络中降低通信和每回合时间的实用方法，同时保持模型质量。